Professional Documents
Culture Documents
São Paulo
2009
2
3
São Paulo
2009
4
5
AGRADECIMENTOS
RESUMO
ABSTRACT
This research is dedicated on the study of optimization models for investment portfolios with
active management, subject to constraints on leverage and volatility of the tracking-error, based
on the criteria of mean-variance first developed by Harry Markowitz (1952).
The article published by Harry Markowitz (1952), Portfolio Selection, has made as its main
contribution the difference between the variability of the return of a financial asset and its impact
on the risk of an investment portfolio, enabling, through a set of historical data of the financial
assets that are part of the portfolio, the construction, through a quadratic programming model, of
a portfolio that maximizes the return rate for a given level of risk or that minimize the risk level
for a given expected rate of return.
The manager of an active managed portfolio has as one of its main goals to overcome the market
index in order to add value for investors compared to index funds, or passive management. Thus,
this paper intends, through the analysis of mean-variance proposed by Markowitz combined with
optimization models, to find optimal strategies for investment, instead of seeking the portfolio
with lower overall risk for a given required return, to seek the portfolio with lower tracking-error
for a given expected return over the benchmark adopted, being the Ibovespa index the
benchmark adopted on this paper.
10
11
SUMÁRIO
RESUMO ....................................................................................................................................... 7
1 INTRODUÇÃO ..................................................................................................................... 13
1.1 Situação Problema ............................................................................................................. 13
1.2 Justificativa da escolha do tema ........................................................................................ 14
1.3 Objetivo ............................................................................................................................. 15
1.4 Metodologia ...................................................................................................................... 15
1.5 Descrição dos capítulos ..................................................................................................... 16
2 TEORIA DE CARTEIRAS .................................................................................................. 19
2.1 Fundamentos do modelo média-variância......................................................................... 19
2.2 O conceito e as medidas de retorno ................................................................................... 21
2.2.1 Medidas de retorno ........................................................................................................ 21
2.3 O conceito e as medidas de risco ...................................................................................... 26
2.3.1 Fontes de risco ............................................................................................................... 27
2.3.1.1 Risco sistemático ou conjuntural........................................................................... 27
2.3.1.2 Risco não-sistemático ou próprio .......................................................................... 28
2.3.2 Medidas de Risco .......................................................................................................... 28
2.4 Retorno Esperado de uma Carteira.................................................................................... 30
2.5 Variância do Retorno de uma Carteira .............................................................................. 31
2.5.1 Diversificação................................................................................................................ 35
2.6 Fronteira Eficiente ............................................................................................................. 50
2.7 Formulação do problema de seleção de ativos .................................................................. 53
2.8 Covariância entre Carteiras de mínima variância ............................................................. 61
2.9 Aprimoramentos no modelo original de média-variância ................................................. 67
3 MODELOS DE RASTREAMENTO ................................................................................... 71
3.1 Fundos Passivos e Ativos .................................................................................................. 71
3.2 Modelo de mínima variância do erro de rastreamento ...................................................... 72
3.2.1 Modelo de mínima variância com quantidade específica de ativos .............................. 82
4 APLICAÇÃO DO MODELO E TESTES ........................................................................... 89
4.1 Seleção do benchmark ....................................................................................................... 89
4.2 Seleção da amostra e coleta de dados................................................................................ 91
4.3 Aplicação dos modelos...................................................................................................... 91
4.3.1 Seleção dos ativos ......................................................................................................... 92
4.3.2 Ganho esperado de rentabilidade .................................................................................. 94
4.4 Resultados do modelo e backtest ...................................................................................... 95
4.5 Testes ................................................................................................................................. 97
5 CONCLUSÃO ..................................................................................................................... 101
REFERÊNCIAS ........................................................................................................................ 103
12
13
1 INTRODUÇÃO
A motivação para a realização deste trabalho surgiu do desafio enfrentado no dia a dia de um
administrador de fundos de investimento com gestão ativa. Neste tipo de gestão, o administrador
tem como principal objetivo ultrapassar a rentabilidade de uma determinada taxa ou de uma
carteira teórica adotada como benchmark do fundo administrado, diferentemente das carteiras
com gestão passiva em que o objetivo maior é o de replicar o retorno gerado pela taxa ou carteira
teórica adotada como benchmark.
Os administradores de fundos ativos buscam atingir este objetivo assumindo riscos maiores,
dado que o desempenho adicional de suas carteiras em relação ao benchmark é que define a
remuneração extra, denominada taxa de performance, oferecida por grande parte dos fundos
ativos aos seus administradores. Dessa forma, observando um dos princípios fundamentais de
finanças, quanto maior o risco, maior o potencial de retorno da estratégia ativa.
Diante deste problema, surge a necessidade de um fator atenuante no risco incorrido pelos
administradores, como o conceito de linha d’água, que determina que a taxa de performance só
poderá se cobrada se o fundo apresentar desempenho superior ao benchmark em um período pré-
determinado, como 12 meses por exemplo. Outra abordagem para a minimização deste conflito
seria a inclusão de uma restrição quanto ao risco incorrido em relação ao benchmark, ou seja,
uma restrição de volatilidade do tracking-error, a qual será apresentada neste trabalho.
14
O modelo de Markowitz se tornou o alicerce para a atual Moderna Teoria de Carteiras e, desde
então, este processo vem apresentando constante evolução ao longo do tempo com o suporte do
avanço na capacidade de processamento dos computadores, uma vez que o problema de
otimização na alocação de ativos muitas vezes requer algoritmos numéricos para gerar resultados
de maneira viável, fazendo com que atualmente o grande desafio de estudo em otimização de
carteiras seja o de adaptar os modelos de otimização já existentes de forma a se aproximarem
cada vez mais da realidade enfrentada pelos administradores de recursos.
1.3 Objetivo
1.4 Metodologia
Para solucionar o problema proposto neste estudo adotamos como modelo de rastreamento o
modelo de mínima variância do erro de rastreamento proposto por Roll (1992), assumindo como
benchmark o índice Ibovespa. Como restrições impostas ao modelo ficou estabelecido que este
deverá apresentar uma rentabilidade diária esperada superior em 0,03 ponto percentual à
rentabilidade diária esperada do índice Ibovespa. Além disto, foi também imposto que o modelo
não deverá permitir posições a descoberto na carteira.
Com base nesta amostra de dados calculamos o retorno esperado, a volatilidade, ambos diários, e
a matriz de covariâncias para todos os ativos. Feito isso, selecionamos os cinco ativos,
resultando em uma representatividade de aproximadamente 21,4% do índice, para compor o
portfólio. Dado que a restrição de posições a descoberto na carteira implica na inclusão de uma
restrição de desigualdade ao modelo, e conseqüentemente impossibilidade de se encontrar uma
solução analítica, utilizamos a função fmincon.m do software MATLAB para encontrar,
utilizando métodos numéricos, a alocação ótima dos ativos selecionados para compor o portfólio
16
A partir deste ponto, realizamos o backtest da carteira para o período de 30 de novembro de 2007
a 31 de agosto de 2009, com o objetivo de avaliar como teria sido o desempenho passado do
portfólio.
Como janela de testes para avaliar o desempenho das carteiras ótimas geradas, selecionamos o
período de setembro a outubro de 2009, com 42 dias úteis, calculando a rentabilidade obtida, a
volatilidade, o erro quadrático médio de rastreamento e a variância do erro de rastreamento.
2 TEORIA DE CARTEIRAS
A Teoria de Carteiras teve como início a publicação do artigo Portfolio Selection de Harry
Markowitz em 1952. Neste artigo, o autor propõe um modelo de programação quadrática para
resolver o problema de alocação ótima de ativos numa carteira de investimentos, considerando
apenas um único período de análise, no qual enfatizava a prática da diversificação. O trabalho de
Markowitz foi, sem dúvida, um marco na história da Moderna Teoria de Finanças, tendo como
contribuição fundamental a distinção entre a variabilidade do retorno de um ativo financeiro e
seu impacto no risco de uma carteira de investimento.
Com a publicação de seu artigo Portfolio Selection em 1952, Markowitz contrariou a teoria
aceita até então de que o investidor se preocupava apenas com o retorno esperado dos títulos.
Markowitz (1952, p.77, tradução nossa) afirma que:
Assim, Markowitz partiu da constatação de que, ao contrário do que poderia sugerir a teoria de
investimentos até então utilizada, a maioria dos investidores não colocava toda sua riqueza nos
ativos que possibilitavam maior retorno, mas sim em uma carteira de títulos, onde alguns eram
mais rentáveis que os outros.
- Os investidores avaliariam carteiras apenas com base no valor esperado e na variância das taxas
de retorno sobre o horizonte de análise;
- Os investidores nunca estariam satisfeitos. Quando postos a escolher entre duas carteiras de
mesmo risco, sempre escolheriam a de maior retorno;
21
- Os investidores seriam avessos ao risco. Quando postos a escolher entre duas carteiras de
mesmo retorno, sempre escolheriam a de menor risco.
Partindo, principalmente, dessas três hipóteses, Harry Markowitz deu início à teoria que hoje é
conhecida como Teoria Moderna de Carteiras, revolucionando o mundo das finanças.
Uma medida importante para análise e seleção de investimentos é a taxa de retorno, que
representa o ganho monetário por unidade de capital investido em determinado período de
tempo.
Ross (2002, p.190) menciona que: “O retorno total de um investimento é a soma do rendimento
em dinheiro com o ganho ou a perda de capital no investimento.” Partindo desta definição, temos
que no caso de investimento em ações:
As variações de preço de um ativo podem ser medidas pela variação absoluta ou pela variação
relativa, conhecida como taxa de retorno, que é a maneira mais usual no mercado. De acordo
com o RiskMetrics (1996, p.46, tradução nossa) a principal razão para se usar as taxas de retorno
ao invés das variações absolutas de preços é que os retornos possuem propriedades estatísticas
mais interessantes do que os preços, além disto as variações absolutas de preço não medem as
variações em termos de um determinado nível de preço.
22
,௧ ,௧ିଵ ,௧
୧,୲
,௧ିଵ ,௧ିଵ
(2.2)
,௧
,௧;
,௧ି
(2.3)
,௧ ,௧ ,௧ିଵ ,௧ିଶ ,௧ି(ିଵ)
,௧;
,௧ି ,௧ିଵ ,௧ିଶ ,௧ିଷ ,௧ି
,௧
,௧; ,௧ ,௧ିଵ ,௧ି(ିଵ)
,௧ି
ିଵ
,௧; ,௧ି
ୀ
(2.4)
Uma prática muito utilizada no mercado e que será também adotada neste trabalho é o cálculo do
retorno geométrico, ou retorno logarítmico, calculado conforme segue:
,௧
,௧ ,௧ ,௧ ,௧ିଵ
,௧ିଵ
(2.5)
23
O uso dos retornos logarítmicos pode ser empregado sem grandes implicações para pequenas
variações de preço, como podemos observar pela expansão de Taylor da fórmula do retorno
logarítmico demonstrada a seguir:
ஶ ()
ୀ
(2.6)
ᇱ ᇱᇱ ᇱᇱᇱ
, , , ଶ , ଷ
,௧ ,௧ , ,௧ , ,௧ ,
ଶ ଷ
,௧ ,௧ ,௧ ,௧
ଶ ଷ
,௧ ,௧ ,௧ ,௧
Como:
,௧ ,௧
24
Segue que:
ଶ ଷ
,௧ ,௧ ,௧ ,௧
Para variações pequenas no preço do ativo, os termos a partir da 2ª ordem tenderão a zero
podendo ser desprezados, o que implica em:
,௧ ,௧
,௧ିଵ ,௧ିଵ
O motivo para o uso do retorno logarítmico decorre da facilidade de se compor os retornos dadas
as propriedades matemáticas dos logaritmos, principalmente a seguinte:
ln (A . B) = ln A + ln B
Através desta propriedade, para o cálculo do retorno para múltiplos períodos de tempo, o retorno
é composto pela soma dos retornos logarítmicos em cada período de tempo ao invés de se
calcular o produtório dos retornos em cada período de tempo conforme a equação (2.4).
Uma abordagem alternativa para a medida de retorno se dá pelo fato de que o retorno pode ser
definido como o valor esperado dos rendimentos, considerando-se capitalização contínua, do
ativo. Dessa maneira, seja ,௧ o retorno de um ativo i durante um determinado período de tempo
dividido em k intervalos indexado por t. Temos a relação entre o preço final do intervalo St e o
preço inicial St-1 dada pela seguinte equação:
.௧
,௧
௧ ௧ିଵ
25
.௧
௧ ,௧ , .௧
௧ିଵ →ஶ
,௧
,௧
,௧ିଵ
Dado que a taxa de retorno de um ativo de risco é uma variável aleatória, uma vez que no caso
deste tipo de ativo o investimento ocorre sob condições de incerteza, de modo que o resultado só
pode ser conhecido ao fim do período de análise, a decisão de investimento envolve analisar e
comparar valores esperados. De acordo com Ross (2002, p.206), o retorno esperado é:
Esta taxa de retorno pode ser estimada utilizando a equação (2.5) a partir de retornos observados
sobre uma série histórica de preços, ajustada pelos dividendos pagos no período, para diferentes
períodos de tempo sendo o diário o mais utilizado. O retorno médio de um determinado ativo i
26
é o valor esperado da taxa de retorno considerando uma amostra com uma certa quantidade de
observações conforme segue:
୧ ,௧
௧ୀଵ
(2.7)
No contexto deste trabalho, o retorno esperado será calculado pela média das taxas de retornos
logarítmicos diários que o ativo apresentou no passado, considerando a série de preços ajustadas.
De acordo com Jorion (1997, p. 3), “risco pode ser definido como a volatilidade de resultados
inesperados, normalmente relacionados ao valor de ativos ou passivos de interesse.”
Por depender de uma série de fatores, o conceito de risco pode ser subdividido em diversos tipos
de acordo com sua origem. Segundo Securato (2005, p. 362),
Para entender e medir possíveis perdas devido às flutuações do mercado é importante identificar
e quantificar o mais corretamente possível as volatilidades e correlações dos fatores que
impactam a dinâmica do preço do ativo.
Segundo Securato (2007, p. 48), o risco total a que está sujeito um ativo pode, basicamente, ser
subdividido em duas partes: risco sistemático ou conjuntural e risco não-sistemático ou próprio.
O risco sistemático, de acordo com Neto (2003, p.287) “[...] é inerente a todos os ativos
negociados no mercado, sendo determinado por eventos de natureza política, econômica e
social”. Ross (1995, p.242) descreve o risco sistemático como: “[...] qualquer risco que afeta um
grande número de ativos, cada um com maior ou menor intensidade”. Dessa forma, o risco
conjuntural está relacionado às flutuações do sistema econômico como um todo, não podendo ser
eliminado pelo processo de diversificação de ativos, ou seja, mesmo que sejam introduzidos
inúmeros ativos ao portfólio, o risco conjuntural irá sempre existir, uma vez que todos os ativos
estão expostos à este risco, também conhecido como risco de mercado.
28
É importante frisar que o risco conjuntural é tanto maior quanto maiores são as
possibilidades de variação da conjuntura, em geral facilitadas pelas regras mal definidas
ou mal aplicadas, pelos desmandos, pelos escândalos, enfim, por todo um processo que
passa pela credibilidade do sistema como um todo. Assim, o Estado é sempre um dos
maiores responsáveis pelo risco sistemático ou conjuntural a que um ativo está sujeito.
O risco próprio, também conhecido por risco não-sistemático ou risco diversificável, segundo
Gitman (1997, p.221), “é atribuído a eventos específicos da empresa”. Securato (2007, p.49)
caracteriza este tipo de risco como “[...] o risco intrínseco ao ativo e ao subsistema ao qual
pertence; é gerado por fatos que atingem diretamente o ativo em estudo ou o subsistema a que
está ligado e não atinge os demais ativos e subsistemas.” Dessa maneira, o risco não-sistemático
é aquela parcela do risco que não pode ser associada ao comportamento da economia, isto é,
depende exclusivamente das características de cada ativo e é função de uma série de itens que
podem afetar o desempenho da companhia. Dessa forma, como o risco próprio é intrínseco ao
ativo, o processo de diversificação entre ativos é o mais indicado para diluir este tipo de risco,
sendo que até mesmo uma diversificação simples, com alocação aleatória de ativos ao portfólio,
pode ser capaz de reduzir o risco total da carteira de forma significante.
padrão, que é a raiz quadrada da variância, tendo então a mesma dimensão da variável em
análise.
Para o cálculo da variância de um ativo, consideramos a soma dos quadrados das diferenças
entre os retornos da série e o retorno esperado, dividido pelo número de elementos da série de
retornos, quando se considera toda a população na análise, ou dividido pelo número de
elementos da série de retornos menos 1, quando analisamos uma amostra da população, em
decorrência da perda de 1 grau de liberdade. Dessa maneira, a variância dos retornos de um
ativo i é dada por:
ଶ ଶ
(2.8)
்
ଶ ଶ
,௧
௧ୀଵ
(2.9)
E seu desvio-padrão:
்
ଶ
,௧
௧ୀଵ
(2.10)
De acordo com Markowitz (1952, p.81) o retorno de uma carteira como um todo é uma soma
ponderada de variáveis aleatórias (onde o investidor pode escolher os pesos). Conforme a
propriedade estatística da esperança matemática, onde o valor esperado de uma combinação
linear de variáveis aleatórias é igual a combinação linear dos seus valores esperados, segue que:
Dessa maneira, temos que a partir dos retornos esperados para cada um dos ativos e da
composição percentual da carteira, o retorno esperado do portfólio será igual a média ponderada
dos retornos esperados de cada ativo em relação a sua participação no portfólio:
ୀଵ
ୀଵ
(2.11)
Sendo que:
ୀଵ
31
(2.12)
ଵ ଵ
e vetor de retornos esperados de cada um dos ativos no portfólio,
ଵ
.
Segundo Markowitz (1959, p.19) a variância (ou desvio-padrão) de uma carteira é determinada:
De acordo com a fórmula da variância dada pela equação (2.8) a variância do portfólio é dada
por:
ଶ
ଶ
୮
32
Dessa forma, exemplificando para um caso em que temos 2 ativos, segue que:
ଶ ଶ
୮ ଵ ଵ ଶ ଶ ଵ ଵ ଶ ଶ
ଶ
ଶ
ଵ ଵ ଵ ଶ ଶ ଶ
ଶ ଶ ଶ ଶ ଶ
ଵ ଵ ଵ ଶ ଶ ଶ ଵ ଶ ଵ ଵ ଶ ଶ
ଶ ଶ ଶ ଶ ଶ
ଵ ଵ ଵ ଶ ଵ,ଶ ଶ ଶ
(2.13)
, ,
Figura 2.1: Simulação do comportamento de dois ativos hipotéticos com covariância negativa e com covariância
positiva.
33
,
Ressalta-se que a divisão por T – 1 e não por T é devida à perda de um grau de liberdade ao se
trabalhar com uma amostra e não com a população total dos dados.
ଶ
ଶ ଵ ଶ,ଵ ଵ
ଵ ଶ ଶ
ଵ,ଶ ଶ ଶ
ଶ
ଵ ଶ,ଵ
ଶ
ଵ,ଶ ଶ
Dessa forma, podemos generalizar a equação da variância do portfólio para o caso em que temos
n ativos:
ଵ ଵ
Dado o vetor de retornos de cada um dos ativos do portfólio e o vetor
de retornos esperados de cada um dos ativos, temos que a matriz de covariâncias entre os ativos
é dada por:
ଵ ଵ ଵ ଵ ଵ ଵ ଶ ଶ ଵ ଵ
ଶ ଶ ଵ ଵ ଶ ଶ ଶ ଶ ଶ ଶ
ଵ ଵ ଶ ଶ
ଶ
ଶ
Segue que:
ଶ ᇱ ᇱ ᇱ ᇱ
ᇱ
ଶ ᇱ
ᇱ
ଶ ᇱ
ଶ
35
ଶ
Em que: = variância dos retornos do portfólio,
ଵ
vetor de pesos dos ativos no portfólio, sendo ω’ o vetor transposto de ω,
ଵ
,
ଶ
ଵ ଶ,ଵ ,ଵ
ଶ
e ଵ,ଶ ଶ ,ଶ matriz de covariâncias entre os ativos do portfólio,
ଶ
ଵ, ଶ,
.
,
,
2.5.1 Diversificação
Segundo Securato (2007, p.50): “Entende-se como diversificação do risco qualquer processo que
possibilite minimizar os efeitos do risco sobre um ativo ou uma carteira de ativos.”
36
Markowitz ficou conhecido com frases do tipo “não coloque todos os seus ovos em uma única
cesta”, princípio relacionado à regra geral de redução da variabilidade dos retornos à medida que
se aumenta o número de ativos em uma carteira. Por meio do conceito de diversificação, é
possível esperar que ativos com risco possam ser combinados no contexto de uma carteira de
forma que se apure um risco menor que aquele calculado para cada um de seus componentes
individualmente.
A diversificação fica evidente quando os ativos oscilam de forma independente. Dessa forma, há
a possibilidade de que as perdas de um sejam compensadas pelos ganhos de outros. Com isso, o
valor da carteira como um todo evolui de forma mais suave, ou seja, com menor volatilidade. A
figura a seguir ilustra este efeito a partir da análise de uma carteira composta por dois ativos
hipotéticos fracamente correlacionados, onde cada um tem uma participação de 50% no valor
total do portfólio:
Figura 2.2: Movimentação de preços para uma carteira composta por 2 ativos fracamente correlacionados.
Como pode ser observado, embora o retorno total da carteira fique na média dos dois retornos, a
variabilidade do preço da carteira é muito menor que a de cada um dos ativos individualmente. É
importante ressaltar que, o risco de uma carteira depende não somente do risco de cada elemento
37
que a compõe e de sua participação no investimento total, mas também da forma como seus
componentes se relacionam (covariam), assim, relacionando-se ativos com baixa correlação (ou
covariância inversa) é possível reduzir consideravelmente o risco total da carteira. De forma
simples, se o aumento do preço do petróleo pode prejudicar os resultados de uma companhia de
viagens aéreas, um investidor poderia minimizar esse risco refletido no valor das ações, através
da compra de ações de uma empresa petrolífera - que teria seus resultados melhorados em
função do aumento no preço do petróleo e que, teoricamente, teria uma correlação fraca com a
companhia de viagens aéreas.
No caso específico do exemplo mostrado anteriormente na figura 2.2, a redução do risco obtida
pela carteira é elevada em função da correlação negativa entre os movimentos dos ativos. Note
que, se um dos ativos se movesse exatamente no sentido oposto do outro (correlação negativa
perfeita), seria possível construir uma carteira que produzisse retornos inversamente
proporcionais, isto é, quando o retorno de um deles decrescer, o retorno do outro ativo se elevará
na mesma intensidade, anulando os reflexos negativos produzidos. Nesse comportamento,
supondo uma situação em que ambos os ativos têm os mesmos valores esperados de retorno e
que possuem participações iguais no portfólio, a combinação resultaria em uma eliminação total
do risco da carteira, sendo os resultados desfavoráveis verificados em um ativo perfeitamente
compensados pelo desempenho do outro.
Por outro lado, no caso de ativos com correlação positiva perfeita a redução do risco é mínima.
Nesse comportamento, assumindo que ambos os ativos têm os mesmos valores esperados de
retorno e que possuem participações iguais no portfólio, o desvio-padrão do portfólio resultante
ficaria limitado entre o desvio-padrão do ativo de menor risco e o do ativo mais arriscado.
38
Supondo uma carteira composta por dois ativos nas proporções ω1 e (1 – ω1), segue que:
ଵ
ଵ ଵ ଵ ଵ ଵ ଶ ଵ ଵ ଶ ଶ
ଶ
ଶ
ଶ ଵ ଵ ଶ ଵ
ଵ ଵ ଶ
ଵ ଶ ଶ ଵ
ଶ ଶ ଶ ଶ ଶ
ଵ ଵ ଵ ଵ ଵ ଶ ଵ ଶ
No caso de os ativos serem correlacionados de maneira positiva e perfeita (ρ=1), segue que:
ଶ ଶ
ଵ ଵ ଵ ଶ
ଵ ଵ ଵ ଶ ଶ ଵ ଵ ଶ
ଶ
ଵ
ଵ ଶ
ଵ ଵ ଶ ଶ
39
ଶ ଵ ଶ
ଶ
ଵ ଶ
ଵ ଶ ଶ ଵ ଵ ଶ
ଵ ଶ ଵ ଶ
Logo, apresenta-se uma relação linear entre o risco σp e o retorno esperado µp . Assim, em uma
carteira com ativos com correlação positiva perfeita, não se consegue melhorar a relação risco-
retorno, ou seja, risco e retorno sempre serão linearmente proporcionais.
Figura 2.4: Combinações possíveis de uma carteira com dois ativos hipotéticos correlacionados de forma positiva e
perfeita.
40
Supondo o caso oposto em que os ativos são correlacionados de maneira negativa e perfeita
(ρ = -1), segue que:
ଶ ଶ ଶ ଶ ଶ
ଵ ଵ ଵ ଵ ଵ ଶ ଵ ଶ
ଶ ଶ ଶ
ଵ ଵ ଵ ଵ ଵ ଶ ଵ ଶ
ଶ ଶ ଶ
ଵ ଵ ଵ ଵ ଵ ଶ ଵ ଶ
ଶ ଶ
ଵ ଵ ଵ ଶ
ଵ ଵ ଵ ଶ
ଶ ଵ ଵ ଶ
ଶ ଵ ଵ ଶ
ଶ
ଵ
ଵ ଶ
ఙమ
Se ଵ (ఙభ ାఙమ )
, temos que:
ଶ ଵ ଵ ଶ
ଶ
ଵ
ଵ ଶ
ఙమ
Se ଵ (ఙభ ାఙమ )
, segue que:
ଶ ଵ ଵ ଶ
ଶ
ଵ
ଵ ଶ
41
Dado que:
ଵ ଵ ଵ ଶ
ఙమ
Se ଵ (ఙభ ାఙమ )
, temos:
ଶ
ଵ
ଵ ଶ
ଶ ଶ
ଵ ଶ
ଵ ଶ ଵ ଶ
ଶ ଵ ଶ ଵ ଵ ଶ
ଵ ଶ ଵ ଶ
ఙమ
Se ଵ (ఙభ ାఙమ )
chegamos a:
ଶ
ଵ
ଵ ଶ
ଶ ଶ
ଵ ଶ
ଵ ଶ ଵ ଶ
ଵ ଶ ଶ ଵ ଵ ଶ
ଵ ଶ ଵ ଶ
A conclusão a que se chega é de que, ao contrário do caso anterior, uma carteira composta por 2
ativos com correlação perfeitamente negativa diminui o risco relativo ao retorno, permitindo até
mesmo uma situação de risco nulo. Dessa forma, sob o ponto de vista de redução do risco, fica
claro o benefício em se montar a carteira.
42
Figura 2.5: Combinações possíveis de uma carteira com dois ativos hipotéticos correlacionados de forma negativa e
perfeita.
Figura 2.6: Combinações possíveis de uma carteira com dois ativos hipotéticos correlacionados de forma positiva e
perfeita no plano risco da carteira X participação do Ativo 1.
43
Na prática, nenhuma das situações descritas |ρ|=1 ocorre. A seguir apresenta-se o caso para uma
carteira composta por dois ativos em que |ρ|<1:
ଶ ଶ ଶ ଶ ଶ ଶ
ଵ ଶ ଵ ଶ ଵ ଶ ଵ ଶ ଵ ଶ
ଵ ଵ ଶ ଶ
ଶ
ଵ
ଵ ଶ
Assume-se µ1≠µ2:
ଶ
ଶ ଶ ଶ ଶ ଶ ଶ ଶ
ଵ ଶ ଵ ଶ ଶ ଵ ଶ ଶ
ଵ ଶ ଵ ଶ
Denotando:
ଶ ଶ
ଵ ଶ ଵ ଶ
ଶ
ଶ ଵ ଶ
ଵ ଶ
Segue que:
ଶ
ଶ ଶ ଶ ଶ
ଶ
ଶ
ଶ
ଶ ଶ ଶ ଶ ଶ ଶ
ଶ ଶ
44
ଶ ଶ ଶ ଶ ଶ
ଵ ଶ ଵ ଶ ଵ ଶ ଵ ଶ ଵ ଶ
ଶ ଶ
e ଶ tendo em vista que:
ଶ ଶ ଶ ଶ ଶ ଶ ଶ ଶ ଶ ଶ
ଶ ଶ ଵ ଶ ଵ ଶ ଶ ଵ ଶ ଵ ଶ
Denotando:
ଶ ଶ
ଶ
ଶ ଶ ଶ
ଶ
Segue que:
ଶ
ଶ
ଶ ଶ ଶ
(2.15)
Observa-se que esta equação é semelhante à equação reduzida de uma hipérbole com centro
(x0,y0) dada por:
ଶ ଶ
ଶ ଶ
(2.16)
45
Inclinação positiva
Inclinação negativa
Comparando-se (2.15) com (2.16), conclui-se que (2.15) representa uma hipérbole com centro
ଶ
46
ou
ଶ
ଶ ଵ ଶ ଵ ଶ
ଶ ଶ ଶ
ଵ ଶ ଵ ଶ
E assíntotas:
ଶ
ou
ଶ
ଵ ଶ ଶ ଵ ଶ ଵ ଶ
ଶ ଶ ଶ
ଶ ଶ ଵ ଶ ଵ ଶ
ଵ ଶ ଵ ଶ
Podemos observar pela figura que a curva possui um ponto de mínimo risco, σmin, com retorno
dado pelo ponto do eixo das ordenadas do centro da hipérbole:
ଶ
ଶ
ଶ ଵ ଶ ଵ ଶ
ଶ ଶ ଶ
ଵ ଶ ଵ ଶ
Dessa forma, sabendo que o ponto de risco mínimo σmin = a, temos que:
ଶ ଶ
ଶ
ଶ ଶ ଶ ଶ ଶ
ଶ ଶ ଵ ଶ ଵ ଶ ଵ ଶ
ଶ
ଵ ଶ ଶ ଶ
ଵ ଶ ଵ ଶ
À medida que aumentamos o número de ativos do portfólio, a tendência é haver uma redução
ainda maior na variabilidade total. Costa e Assunção (2005, p. 59) apresenta o efeito da
diversificação numa carteira, no qual o risco não-sistemático, ou risco específico de cada ação, é
reduzido à medida que mais ações são adicionadas até o limite do risco sistemático ou risco de
mercado:
48
O risco de mercado não pode ser eliminado totalmente pois representa o risco a que todas as
ações em negociação estão expostas. Supondo n ativos com retornos esperados (µ1,...., µn) sejam
variáveis aleatórias descorrelacionadas, tem-se que a variância de um portfólio com n ações:
ଶ
ଶ
ଵ ଶ,ଵ ,ଵ
ଶ ଵ
ଶ ଵ,ଶ ଶ ,ଶ
ଵ
ଶ
ଵ, ଶ,
ଶ ଶ ଶ
,
ୀଵ ୀଵ ୀଵ
ஷ
Considerando que uma carteira diversificada pode ser obtida simplesmente escolhendo um n
suficientemente grande e dividindo o capital igualmente entre os títulos:
49
ଶ ଶ
ଶ ଶ
,
ୀଵ ୀଵ ୀଵ
ஷ
Considerando que para n ativos temos n(n – 1) pares de covariâncias, a covariância média entre
os ativos é dada por:
ୀଵ ୀଵ ,
ஷ
,
, ,
ୀଵ ୀଵ
ஷ
ଶ
ଶ ୀଵ
Substituindo temos:
ଶ ଶ ,
ଶ ଶ
ଶ ଶ
ଶ ,
ଶ ଶ
ଶ , ,
→ஶ →ஶ
50
Assim, é possível observar através do cálculo do limite de n tendendo ao infinito que, quando n
aumenta, a primeira parcela da variância do portfólio, correspondente aos riscos próprios dos
ativos, tende a zero, permanecendo apenas uma segunda parcela que não pode ser eliminada por
diversificação (assumindo a inexistência de correlação negativa perfeita) e depende de toda a
estrutura de covariâncias entre os ativos. A existência dessa variância residual está relacionada
ao conceito de risco sistemático que foi apresentado no item 2.3.1 deste capítulo.
A partir das definições de retorno e risco propostas por Markowitz, é possível representar todas
as combinações possíveis de investimento em ativos de risco. Matematicamente, cada ponto
deste conjunto deve obedecer as equações já apresentadas:
ଶ
Sendo que:
ୀଵ
Analisando individualmente cada um dos ativos, o Ativo 1 é o que apresenta menor risco, no
entanto, ao combinarmos o Ativo 1 com o Ativo 2 podemos reduzir ainda mais este risco até o
ponto mais à esquerda da fronteira, representado pela Carteira C, a carteira de mínima variância
global, evidenciando o benefício da diversificação. Já o ponto Carteira D mostra mais uma
vantagem da diversificação, formado por 54% de Ativo1 e 46% de Ativo2, a Carteira D
apresenta o mesmo nível de risco da Carteira A, formada por 100% de Ativo1, entretanto a
Carteira D apresenta um retorno esperado de 5,7%, mais do que o dobro do retorno esperado
para a Carteira A.
Observamos que a Carteira A e qualquer outra carteira que esteja incluída na linha vermelha na
figura 2.10 não são consideradas eficientes, uma vez que não cumprem a primeira restrição, onde
para um determinado nível de risco não existe outra carteira com maior retorno. Já o conjunto
das carteiras denominadas eficientes, está representado pela linha azul na figura 2.10, iniciando
pela carteira de mínima variância global, representada pela Carteira C.
- nonsatiation: sendo iguais todas as demais variáveis, os investidores sempre preferem ter maior
retorno. Isso implica que, para diferentes alternativas de mesmo risco, o investidor sempre irá
optar por aquela de maior retorno esperado.
- aversão ao risco: para um mesmo retorno esperado, o investidor sempre irá preferir a
alternativa de menor variância.
Para encontrar a carteira com mínima variância dado um determinado retorno desejado, podemos
formalizar o problema de Markowitz da seguinte forma:
ᇱ
ன
Sujeito a: ω’µ = µp
ω’e = 1
onde: e é um vetor unitário, ou seja, contém 1 em todos os seus elementos, e possui a mesma
ଵ
dimensão de ω, .
54
Dado que o problema acima só possui restrições de igualdade, podemos utilizar o método
conhecido como Multiplicadores de Lagrange para a solução deste problema de otimização.
Através deste método, associamos um multiplicador λi à i-ésima restrição e formamos a função
chamada Lagrangeana da seguinte maneira:
Sujeito a: ଶ ଵ ଶ ଶ
ଵ ଶ
ଵ ଶ ଵ ଶ ଵ ଶ ଵ ଶ
ୀଵ
ଵ ଶ ଵ ଶ
୧ ୧ ଵ ଶ
୧
୧ ଵ ଶ
Dessa maneira, aplicando o método dos Multiplicadores de Lagrange para o problema de seleção
de ativos, segue que:
ᇱ
ன
Sujeito a: ω’µ = µp
ω’e = 1
E a função Lagrangeana:
ᇱ ᇱ
ଵ ଶ
ᇱ ᇱ
ଵ ଵ ଶ ଶ
ଵ ଶ
ᇱ
ଵ
ᇱ
ଶ
ଵ ଶ
ᇱ
ᇱ
Segue que:
ଵ ଶ
ଵ ଶ
56
ିଵ
ଵ ଶ
(2.17)
Portanto:
ᇱ ିଵ
ଵ ଶ
ᇱ ିଵ
ଵ ଶ
Ou seja:
ᇱ ିଵ ᇱ ିଵ
ଵ
ᇱ ିଵ ᇱ ିଵ
ଶ
Denotando:
ିଵ
ିଵ
ିଵ
Segue que:
ଵ
ଶ
ିଵ
ଵ
ଶ
57
Sabendo que , conforme será demonstrado mais adiante neste capítulo, e aplicando
a seguinte regra para o cálculo de uma matriz inversa, válida para uma matriz 2x2 simétrica com
determinante diferente de zero:
ିଵ
ଶ
Tem-se que:
ଵ
ଶ
ଶ
Denotando:
Segue que:
ଵ
ଶ
Ou seja,
ଵ
ଶ
ିଵ
ଵ ଶ
ିଵ
ିଵ ିଵ ିଵ ିଵ
Denotando:
ିଵ ିଵ
ିଵ ିଵ
(2.18)
L(ω) = Σ > 0
Dessa forma, a solução encontrada realmente corresponde a um ponto de mínimo local. Como a
função objetivo é convexa, e o conjunto de soluções factíveis também, o ponto de mínimo obtido
é global.
Note que:
ᇱ ᇱ ᇱ ᇱ
59
ᇱ ᇱ ᇱ ᇱ
ᇱ ᇱ ᇱ ᇱ
Entretanto, vale ressaltar que para que este problema seja resolvido desta maneira, as seguintes
condições devem ser respeitadas:
௫ ୫୧୬
ଶ ଶ
௫ ୫୧୬
୫୧୬
Em que U é uma matriz ortonormal (UU’ =U’U = I ) e D é uma matriz diagonal formada pelos
autovalores (todos reais positivos) de Σ. Logo,
ିଵ ିଵ
௫
de modo que:
ଶ ᇱ ିଵ ଶ
௫ ௫
ଶ ᇱ ିଵ ଶ
௫
ିଵ ିଵ
ିଵ
ିଵ ିଵ
é positiva definida, pois Σ-1>0 e e e µ são vetores linearmente independentes pela segunda
hipótese (µ não é múltiplo de e). Logo, o determinante dessa matriz, que representa o produto
dos 2 autovalores positivos, é maior que zero, ou seja:
ଶ
61
Conseqüentemente:
ଶ
ିଵ ିଵ
A partir da solução dada pela equação (2.18) encontramos a carteira de mínima variância para
um determinado retorno esperado. Uma característica importante das carteiras de mínima
variância é que qualquer carteira formada a partir de carteiras de mínima variância também será
de mínima variância, resultado também conhecido como “Teorema dos Dois Fundos”.
Dessa maneira, sejam ra e rb os retornos de duas carteiras de mínima variância, com retornos
esperados µa e µb :
ᇱ
ᇱ
Supondo uma carteira c composta por estas duas carteiras de mínima variância, sendo ξ a
participação da carteira a e (1 – ξ ) a participação da carteira b na carteira c, segue que o retorno
da carteira c é dado por:
ᇱ ᇱ ᇱ
62
Dado que as carteiras a e b são de mínima variância, segue que a composição de cada uma delas:
ୡ
Desse modo, a carteira c também é de mínima variância. Calculando a covariância entre duas
carteiras de mínima variância segue que:
ିଵ
ିଵ
Assim,
63
ᇱ
ିଵ ିଵ
ᇱ
ିଵ
ᇱ
ିଵ
ଶ ᇱ
ିଵ
ଶ ᇱ ᇱ
ିଵ ିଵ
ᇱ
ିଵ
(2.19)
ᇱ ଶ
ିଵ ᇱ ିଵ ᇱ ିଵ ᇱ ିଵ ᇱ ିଵ
ଶ
ଶ ଶ ଶ ଶ ଶ ଶ ଶ
ᇱ ଶ
ିଵ ᇱ ିଵ ᇱ ିଵ ᇱ ିଵ ᇱ ିଵ
ଶ ଶ
ଶ ଷ ଷ
ᇱ ିଵ ᇱ ିଵ ᇱ ିଵ ᇱ ିଵ
ଶ ଶ ଶ ଶ ଶ
ଶ ଶ
ᇱ ଶ ଶ
ିଵ ᇱ ିଵ ᇱ ିଵ ᇱ ିଵ ᇱ ିଵ
ଶ ଶ ଶ ଶ
64
ଶ ଶ ଶ ଶ ଶ ଶ ଶ
ଶ ଶ ଶ ଶ ଶ ଶ ଶ ଶ
ଶ
ଶ ଶ
ଶ ଶ
ୠ
ଶ
ଶ
ଶ
ଶ
ଶ
ଶ
De maneira similar, a variância da carteira c composta por carteiras de mínima variância é dada
por:
ଶ ᇱ
ୡ
ଶ ᇱ
ୡ ୡ ୡ
ଶ
ଶ
ୡ ୡ
A partir desta equação obtém-se a curva risco-retorno para um portfólio de maneira geral, dada
por:
65
ଶ
ଶ
ଶ
ଶ
ଶ ଶ
ଶ ଶ
ଶ
ଶ
ଶ
ଶ
(2.20)
Conforme já mencionado anteriormente α > 0 e δ > 0, dessa forma segue que a equação (2.20)
representa uma equação reduzida de uma hipérbole (conforme equação (2.16)) com centro em
(0, ψ /α) e as retas assíntotas dadas por:
ଶ
66
Seja ωg a composição da carteira de mínima variância global, µg seu retorno e σg2 a sua variância.
Segue que:
(2.21)
ଶ
(2.22)
ିଵ ିଵ ିଵ ିଵ
67
ଶ
ିଵ ିଵ ିଵ ିଵ
ଶ
ିଵ
ିଵ
ିଵ
(2.23)
como medida de risco de uma carteira. Entretanto, diversas pesquisas observaram que o uso da
variância não é adequado para carteiras que apresentam retornos assimétricos, ou seja, ela não
considera de forma apropriada a característica de “caudas gordas” de algumas distribuições,
além de penalizar de maneira uniforme os desvios positivos e negativos. Além disto, através do
uso da variância estamos tentando, com base em dados históricos, determinar a variabilidade dos
retornos no futuro. Assim, o desenvolvimento de modelos mais elaborados para obtenção desta
estimativa de risco foi e tem sido objeto de inúmeros estudos, entre os quais podemos citar: o uso
da semi-variância, o down-side risk, modelos com alisamento exponencial (EWMA), modelos
autoregressivos com heterocedasticidade condicional (ARCH / GARCH) e modelos de
volatilidade estocástica.
- modelo multi-período
O modelo inicialmente proposto por Markowitz (1952) considera apenas um único período de
análise, conhecido como modelo uni-período. Entretanto, dada a dinâmica atual do mercado
financeiro, a abordagem uni-período proposta por Markowitz apresenta algumas deficiências.
Dessa forma, diversos estudos vem sendo realizados buscando estender o modelo uni-período
estático para modelos dinâmicos multi-período discretos ou para modelos dinâmicos a tempo
contínuo, considerando até mesmo eventuais realocações na carteira ao longo do tempo.
fração do lote e não a fração do ativo), ou seja, não é possível comprar 1,7 ações de uma
determinada empresa. No entanto, a inclusão de tal restrição ao modelo implica na solução de
um problema de programação inteira, tornando-o muito mais difícil, tanto em termos teóricos,
como no aspecto da implementação computacional dos algoritmos para este tipo de problema.
Uma abordagem alternativa que será apresentada nos capítulos seguintes deste trabalho, com o
objetivo de aprimorar o modelo inicialmente proposto por Markowitz, é a de otimizar a alocação
de ativos em uma carteira de investimentos com a finalidade de minimizar o erro de
rastreamento dado um ganho esperado em relação a um benchmark, incluindo restrições de
alavancagem.
70
71
3 MODELOS DE RASTREAMENTO
- passiva: tem como objetivo principal obter retornos muito próximos aos retornos obtidos por
pelo benchmark. Neste caso, o administrador será avaliado com relação a sua capacidade de
montar uma carteira que reproduza fielmente o comportamento de um benchmark pré-
estabelecido, o que implica em que os riscos envolvidos em uma gestão passiva são apenas
sistêmicos e pertencentes ao índice de referência. Normalmente, este tipo de gestão tem um custo
(taxa de administração) mais barato para o investidor.
- ativa: neste tipo de estratégia o aplicador de recursos atribui ao gestor a tarefa de obter uma
rentabilidade superior à de um benchmark específico. Neste tipo de estratégia, o investidor
também aceita incorrer riscos não-sistêmicos, com a finalidade de obter retornos superiores aos
do benchmark. Neste caso, o valor do serviço de administração da carteira (taxa de
administração), assim como a premiação (taxa de performance) serão baseados no valor
adicional que o gestor da carteira consegue agregar acima do benchmark definido, assim como
do risco incorrido para atingir este objetivo.
muito grande de ativos, dos quais muitos sem liquidez aceitável. Dessa maneira, fica inviável
para o administrador ter de comprar e vender, além de ter que rebalancear a carteira, toda vez
que haja novas aplicações ou saques no fundo. Neste cenário, faz-se necessária a adoção de
modelos de otimização para que, por meio da escolha de um número limitado de ativos, se
obtenha um desempenho bastante próximo ao benchmark, no caso de uma gestão passiva, ou
desempenho superior no caso da gestão ativa. Assim, diversos estudos no campo de minimização
do erro de rastreamento foram e tem sido elaborados, dentre os quais podemos citar como
referência (Roll, 1992), (Clarke et al., 1994), (Rudolf et al. , 1999) e (Jorion, 2003).
O modelo de mínima variância do erro de rastreamento foi inicialmente proposto por Roll (1992,
p.15) e tem como objetivo minimizar a variância do erro de rastreamento sujeito a uma restrição
de ganho de desempenho da carteira em relação ao benchmark pré-estabelecido.
Assim, sendo N o total de ativos considerado na análise, englobando todos os ativos que fazem
parte do benchmark além de outros ativos que o gestor desejar incluir, e R a matriz de retornos
ே
destes ativos para uma janela de m observações, , o erro de rastreamento é dado por:
(3.1)
73
ଵ
onde: ε = vetor de erros de rastreamento, ,
ேଵ
ωp = vetor de pesos dos ativos da carteira, ,
ேଵ
ωb = vetor de pesos dos ativos do benchmark, ,
ே
e R = matriz de retornos de todos os ativos considerados na análise, .
Observamos que tanto o vetor ωp , o vetor ωb como a matriz R possuem dimensão N, ou seja,
todo o universo de ativos considerados na análise. Entretanto, ωp e ωb possuem valores não-nulos
apenas para os ativos que fazem parte de suas respectivas composições.
ఌ
ఌ
ᇱ
ఌ
(3.2)
ଶ ଶ
ఌ ఌ
ᇱ ଶ
ଶ
ఌ
ଶ ଶ
ఌ
ଶ ᇱ
ఌ
ଶ
ఌ
(3.3)
74
(3.4)
Conforme enunciado por Roll (1992, p.15) o objetivo do gestor é o de minimizar a volatilidade
do erro de rastreamento condicionado a um desempenho alvo esperado em relação a um
benchmark. Assim, o problema de minimização da variância do erro de rastreamento pode ser
estruturado da seguinte maneira:
ఠ
ᇱ
Sujeito a:
ᇱ
ᇱ
௫
ᇱ
Sujeito a:
ᇱ
75
ᇱ
ଵ ଶ
ᇱ ᇱ
ଵ ଵ ଶ
ଵ ଶ
ᇱ
ଵ
ᇱ
ଶ
ଵ ଶ
ᇱ
ᇱ
ᇱ ିଵ
ଵ ଶ
(3.5)
Portanto:
ିଵ
ଵ ଶ
ିଵ
ଵ ଶ
76
ିଵ
ଵ ଶ
ିଵ
ଵ ଶ
ିଵ
ଵ ଶ
ିଵ
ଵ ଶ
Ou seja:
ᇱ ିଵ ᇱ ିଵ
ଵ
ᇱ ିଵ ᇱ ିଵ
ଶ
ଵ
ଶ
ିଵ
ଵ
ଶ
ଵ
ଶ
Ou seja,
ᇱ ିଵ
ଵ ଶ
ᇱ ିଵ
77
ᇱ ିଵ
ᇱ ିଵ ିଵ
ᇱ ିଵ ିଵ
(3.6)
ିଵ ଶ
dada por:
ିଵ
ଵ ଵ
E variância:
ଶ
ଵ ଶ
No plano risco-retorno, esta carteira eficiente está localizada onde uma linha partindo da origem
passando pela carteira de mínima variância global atravessa a fronteira eficiente.
78
Dessa maneira, denotanto a carteira de mínima variância global por “0” e a carteira eficiente por
“1”, segue que:
ଵ
ଵ
(3.7)
Sendo que:
ଶ
ଵ
ଵ
ଵ
Dessa maneira, podemos concluir que dois investidores com os mesmos parâmetros adotarão as
mesmas estratégias de alterações em suas carteiras em relação à carteira de referência ωb,
independentemente de qual seja ela.
79
ଶ
ఌ
ᇱ
ଶ
ఌ ଵ ଵ
ଵ ଵ
ଶ
ଶ
ఌ ଵ ଵ
ଵ
ଶ
ଶ ᇱ ᇱ ᇱ ᇱ
ఌ ଵ ଵ ଵ ଵ
ଵ
ଶ
ଶ ᇱ ᇱ ᇱ
ఌ ଵ ଵ ଵ
ଵ
ିଵ
Então
ᇱ ᇱ ିଵ ଶ
ଵ ଵ
E dado que
ᇱ ଶ
ଵ ଵ ଵ ଶ
Segue que:
ଶ
ଶ ଶ ଶ
ఌ ଵ
ଵ
80
A variância da carteira p é:
ଶ ᇱ ଶ ଶ
ఌ
ଶ ᇱ ᇱ ᇱ ᇱ
ଶ ଶ ᇱ ଶ ଶ ଶ ᇱ
ఌ ఌ
(3.8)
Dado que:
ᇱ ᇱ ᇱ ᇱ
ଵ ଵ
ଵ ଵ
ᇱ ᇱ ᇱ
ଵ
ଵ
ᇱ ᇱ ିଵ ᇱ ିଵ
ଵ
ᇱ ᇱ ᇱ ଶ
ଵ ଵ ଵ
ᇱ ଶ ଶ
ଵ ଵ
(3.9)
ଶ ଶ ଶ ᇱ
ఌ
81
ଶ
ଶ ଶ ଶ
ఌ
ଵ
(3.10)
ଶ ଶ
ଶ ଶ ଶ ଶ
ଵ
ଵ ଵ
(3.11)
Denotando p* como um portfólio eficiente com o mesmo retorno esperado que a carteira
ଶ
administrada p (ou seja G + µb) e variância ∗ . Da mesma forma, considera-se b* um portfólio
ଶ
com o mesmo retorno esperado que o benchmark b (isto é µb) e variância ∗ . Dessa maneira,
considerando que a equação (3.10) se aplica a qualquer portfólio, incluindo b* e p*, segue que :
ଶ
ଶ ଶ ଶ
∗ ∗ ఌ
ଵ
(3.12)
Observamos que os dois últimos termos das expressões (3.12) e (3.10) são iguais,
independentemente se estamos considerando b e p ou b* e p*. Desta forma, subtraindo as
expressões (3.10) e (3.12), obtém-se que:
ଶ ଶ ଶ ଶ
∗ ∗
(3.13)
ଶ
A equação (3.13) mostra que a diferença entre a variância da carteira administrada e a
ଶ ଶ ଶ
variância ∗ da carteira eficiente se mantém constante e igual à diferença inicial, ∗ .
ଶ ଶ ଶ ଶ
Deste modo, se a carteira de referência ωb for eficiente, ∗ e, portanto, ∗ , ou
seja, como seria esperado, a solução do problema de minimização da variância do erro de
rastreamento, dado um ganho esperado de desempenho, leva a uma carteira eficiente, com a
curva no plano risco-retorno coincidindo com a fronteira eficiente. Mas, se a carteira de
referência ωb não for eficiente, a solução do problema de minimização sempre levará a uma
carteira não-eficiente, e a curva no plano risco-retorno estará sempre situada a uma distância
82
Figura 3.1: Fronteira Eficiente de Mínima Variância X Curva de Mínima Variância do Erro de Rastreamento.
Normalmente, quando se trata do processo de seleção de ativos para compor uma carteira de
investimentos, o gestor seleciona um certo número de ativos específicos, escolhidos com base
em análises fundamentalistas, baseadas nos fundamentos das empresas como projeção do fluxos
de caixa futuros por exemplo, ou através de análises técnicas ou gráficas. Este tipo de escolha
não é possível utilizando a solução apresentada na seção 3.2, dado que a escolha dos ativos que
irão fazer parte da carteira é feita pelo modelo, assim como a quantidade de ativos que em
número muito grande pode gerar problemas na gestão da carteira.
83
Dessa maneira, apresentamos a seguir uma abordagem alternativa em que o gestor especifica os
ativos que irão compor o portfólio. Analisando a formulação original do modelo de mínima
variância do tracking-error segue que:
ఠ
ᇱ
Sujeito a:
ᇱ
ఠ
ᇱ ᇱ
ఠ
ᇱ ᇱ ᇱ ᇱ
ఠ
ᇱ ᇱ ଶ
ఠ
Como queremos especificar os ativos que irão compor o portfólio, com o objetivo de facilitar a
demonstração do cálculo da solução analítica, devemos organizar a matriz de covariâncias de
forma que nas primeiras linhas da matriz estejam os ativos que irão compor o portfólio, assim
manipularemos a função de minimização de maneira diferente da apresentada na seção 3.2. Dado
que n seja a quantidade de ativos que irão compor a carteira e N a quantidade total de ativos
considerados na análise, segue que:
ଵ
ωp = vetor de pesos dos ativos da carteira,
= matriz de covariâncias entre os ativos que irão compor a carteira,
ே
= matriz composta pelas n linhas superiores da matriz geral de covariâncias Σ,
84
ᇱ ᇱ ଶ
ఠ
ᇱ
Sujeito a:
ᇱ
ᇱ
ᇱ
Dado que a soma dos pesos dos ativos no benchmark é igual a 1, segue que:
Assim, o problema de mínima variância do erro de rastreamento restringindo os ativos que irão
participar do portfólio pode ser estruturado da seguinte maneira:
ᇱ ᇱ ଶ
ఠ
ᇱ
Sujeito a:
85
ଵ
Sendo: µ = vetor de valores esperados dos ativos da carteira,
ଵ
vetor unitário,
ᇱ ᇱ ଶ ᇱ ᇱ
ଵ ଶ
ᇱ ᇱ ଶ ᇱ ᇱ
ଵ ଵ ଵ ଶ ଶ
ᇱ
ଵ ଶ
ᇱ
ଵ
ଶ
ᇱ
ଵ ଶ
ᇱ
ᇱ
ଵ ଶ
ᇱ ିଵ
ଵ ଶ
86
ିଵ
ଵ ଶ
ିଵ
ଵ ଶ
ᇱ ିଵ
ଵ ଶ
ᇱ ିଵ
ଵ ଶ
ᇱ ିଵ ᇱ ିଵ
ଵ ଶ
ᇱ ିଵ ᇱ ିଵ
ଵ ଶ
ᇱ ିଵ ᇱ ିଵ
ଵ ଶ
ᇱ ିଵ ᇱ ିଵ
ଵ ଶ
ᇱ ିଵ ᇱ ିଵ
ଵ ଶ
ᇱ ିଵ ᇱ ିଵ
ଵ ଶ
ᇱ ିଵ ᇱ ିଵ ᇱ ିଵ
ଵ
ᇱ ିଵ ᇱ ିଵ ᇱ ିଵ
ଶ
ᇱ ିଵ
ଵ
ᇱ ିଵ
ଶ
ᇱ ିଵ ିଵ
ଵ
ᇱ ିଵ
ଶ
ᇱ ିଵ
ଵ
ᇱ ିଵ
ଶ
87
Deste modo, segue que a composição ótima de uma carteira com o objetivo de minimizar a
volatilidade do erro de rastreamento e estabelecendo os ativos que irão compor o portfólio é dada
por:
ᇱ ିଵ
ଵ ଶ
(3.14)
Sendo que:
ᇱ ିଵ ᇱ ିଵ
ଵ
ᇱ ିଵ ᇱ ିଵ
ଶ
Neste contexto, a solução dada pela equação (3.14) se demonstra mais adequada para o problema
de minimização da variância do erro de rastreamento, sujeito a restrição de ganho de
rentabilidade e a soma dos pesos da carteira igual a 1, quando o gestor deseja especificar os
ativos que irão compor a carteira e a partir daí encontrar a solução ótima que determine os pesos
destes ativos com o objetivo de minimizar a variância do erro de rastreamento de um
determinado índice de referência.
88
89
Para a realização deste estudo, escolhemos como o benchmark da carteira o índice Ibovespa, o
principal índice de referência da bolsa brasileira, a BM&FBOVESPA. Este índice é um
indicador que tem como objetivo medir o desempenho de uma carteira teórica de ações, revista
quadrimestralmente e composta proporcionalmente pelas ações que representam 80% do volume
financeiro total negociado na BM&FBOVESPA no período de 12 meses anterior à formação da
carteira, sendo os preços de cada uma das ações ponderados pelos respectivos volumes de
negócios.Dessa maneira, utilizamos como base para este estudo a composição da carteira teórica
divulgada para o quadrimestre Setembro/Dezembro 2009 dada pela tabela (4.1):
continuação
Código Ação Tipo Participação (%)
conclusão
Código Ação Tipo Participação (%)
A amostra utilizada para avaliar a eficiência do modelo de rastreamento foi composta por 65
ativos. O período escolhido para análise foi de 30 de novembro de 2007 a 31 de agosto de 2009,
compreendendo o histórico de fechamentos diários ajustado por proventos, splits e agrupamentos
dos 65 ativos que faziam parte da carteira teórica do Ibovespa para o quadrimestre
Setembro/Dezembro 2009, totalizando 433 observações para cada um dos ativos, que
multiplicada pela quantidade total de 65 ativos resultam em uma massa de 28.145 dados.
O modelo escolhido para a solução do problema de alocação ótima de ativos em uma carteira de
investimentos de modo a minimizar o erro de rastreamento, com restrições de ganho em relação
à rentabilidade esperada do índice Ibovespa e de posições a descoberto foi o modelo de mínima
variância do erro de rastreamento, descrito na seção 3.3 deste trabalho:
92
ఠ
ᇱ
Sujeito a:
ᇱ
Tendo em vista que a restrição de posições a descoberto na carteira implica na inclusão de uma
restrição de desigualdade ao modelo, o que conseqüentemente não permite a obtenção de uma
solução analítica, utilizamos métodos numéricos com o apoio da ferramenta de software
MATLAB, sendo as otimizações feitas por meio da função fmincon.m para encontrar a solução
do modelo.
Com base na amostra de dados coletados, foram calculadas as rentabilidades diárias esperadas e
volatilidades para todos os ativos inclusos na análise e para o índice Ibovespa, destacando que
para o cálculo da rentabilidade esperada e volatilidade do Ibovespa fixamos o índice como se
historicamente ele sempre tivesse sido composto conforme divulgado pela carteira teórica válida
para o quadrimestre Setembro/Dezembro 2009, o que não é uma afirmação verdadeira dado que
o índice tem sua composição alterada todo quadrimestre, entretanto, este tipo de ajuste aumenta a
precisão do modelo, uma vez que será esta carteira teórica do quadrimestre Setembro/Dezembro
2009 que a carteira de investimentos proposta neste estudo irá rastrear.
A seleção dos ativos para compor a carteira foi baseada em três critérios:
- Rentabilidade esperada;
De acordo com estes critérios, foram selecionados cinco ativos, que somados os pesos equivalem
a uma representatividade de aproximadamente 21,4% do índice Ibovespa.
A rentabilidade esperada e a volatilidade, ambas diárias, calculadas para cada um dos cinco
ativos do portfólio e para o índice Ibovespa ajustado conforme mencionado anteriormente, estão
demonstradas a seguir:
Tabela 4.3: Rentabilidade espera e volatilidade dos ativos selecionados e do Ibovespa ajustado.
Observamos que tanto para a ação preferencial PETR4 da Petrobrás como para o índice Ibovespa
ajustado a rentabilidade esperada apresentou valor negativo, resultado da crise econômica
mundial iniciada no segundo semestre de 2008 que provocou uma queda generalizada no preço
das ações. Entretanto, esta rentabilidade esperada foi acompanhada de um desvio-padrão
elevado, o ativo PETR4 por exemplo apresentou uma rentabilidade diária esperada de -0,02%
mas com uma volatilidade diária de ± 3,5%, demonstrando a possibilidade de ganhos.
94
Neste cenário, o ganho esperado diário de rentabilidade foi determinado com base na
performance do índice Ibovespa nos últimos cinco anos e adotando os seguintes parâmetros:
- Taxa de administração (média das taxas para fundos de ações – ANBIMA: set/09): 2,23%
Dessa maneira estimamos o ganho de performance necessário para que, após deduzidas todas as
despesas, a carteira tenha desempenho igual ao do índice Ibovespa:
(4.1)
Observamos pela inequação (4.1) que o valor definido como ganho esperado de performance
depende da rentabilidade esperada do benchmark, ou seja, quanto maior a rentabilidade esperada
do benchmark, maior deverá ser o valor definido como ganho esperado de performance. Vale
ressaltar que a fórmula dada pela inequação (4.1) acima se trata apenas de uma estimativa, pois a
taxa de administração, apesar de expressa em base anual, tem sua cobrança feita diariamente
sobre o patrimônio líquido do fundo.
Com base nesta estimativa de ganho diário de performance e considerando como rentabilidade
esperada do índice Ibovespa o valor de 16,2%, referente a rentabilidade média do índice nos
últimos cinco anos, concluímos que para que a rentabilidade da carteira supere a rentabilidade do
índice, o ganho esperado de performance deverá ser maior que 5,6 pontos percentuais em bases
anuais, ou 0,02 ponto percentual em termos diários. Deste modo, acrescentamos 0,01 ponto
percentual ao valor mínimo de G com o objetivo de superar o Ibovespa, e permitir ao gestor a
cobrança de taxa de performance, fazendo com que G = 0,03 ponto percentual.
Composição da carteira
Ativo Participação (%)
PETR4 39,78
CSNA3 17,30
BBAS3 22,32
CPLE6 18,67
PCAR5 1,94
Tabela 4.4: Composição da carteira.
4.5 Testes
No período de testes, não utilizamos o índice Ibovespa ajustado, ou seja, com a composição fixa
baseada na carteira teórica de Setembro/Dezembro 2009, mas sim os índices de fechamento para
cada período, com o objetivo de acompanhar o desempenho da carteira em uma situação real,
diferentemente da situação anterior em que foi utilizado o índice ajustado, com composição fixa,
de modo a atingir um nível maior de precisão dado que seria esta a carteira teórica que o
portfólio deveria rastrear nos meses de setembro e outubro.
98
Diferença de
Mês Carteira (%) Ibovespa (%) rentabilidade (%)
Setembro/09 11,788 8,755 3,013
Outubro/09 -2,047 -0,513 -1,534
Acumulado (set/09 até out/09) 9,500 8,218 1,282
Tabela 4.7: Comparativo de desempenho Carteira X Ibovespa.
Este tipo de situação acontece devido a mudanças na composição do índice, uma vez que ao final
da primeira metade do período de vigência da carteira teórica de Setembro/Dezembro 2009, além
da mudança nas participações dos ativos, dois ativos haviam deixado de compor o índice. Além
disto, devido à dinâmica do mercado de ações, as rentabilidades esperadas, volatilidades e
covariâncias entre os ativos sofrem mudanças constantemente, implicando na perda de eficiência
da solução proposta pelo modelo ao longo do tempo. Desse modo, a solução para este tipo de
problema seria a realização de rebalanceamentos periódicos na carteira para horizontes longos de
investimento, ou para períodos de alta volatilidade, além de revisar periodicamente o valor
assumido como ganho esperado de rentabilidade, uma vez que conforme apresentado na seção
4.3.2 este parâmetro é altamente dependente da rentabilidade esperada do benchmark.
100
101
5 CONCLUSÃO
Neste trabalho, apresentamos um modelo de otimização baseado em Roll (1992) com o objetivo
de minimizar a variância do erro de rastreamento de uma carteira em relação a um benchmark,
com o intuito de limitar a atuação do gestor no que se refere ao risco total da carteira, impondo
restrições com relação ao ganho de desempenho relativamente ao benchmark e não permitindo
posições a descoberto.
Este modelo de otimização foi testado para o mercado de ações na Bolsa de Valores de São
Paulo, BM&FBOVESPA, adotando como benchmark o índice Ibovespa. Pela análise tanto do
backtest como do teste do modelo, observamos que o modelo de mínima variância do erro de
rastreamento acompanhou o índice Ibovespa de maneira bastante eficaz, apresentando
comportamento bastante regular e erro de rastreamento pouco volátil.
Dado que o número de ativos considerado na otimização, cinco ativos, implicando em baixo
custo de transação e minimizando o problema de liquidez enfrentado pelo administrador da
carteira toda vez que haja aplicações ou resgates no fundo, ou mudanças na composição do
índice adotado como benchmark, e dada a performance apresentada pelo modelo podemos
considerá-lo como uma boa opção na gestão de carteiras ativas.
REFERÊNCIAS
BERNSTEIN, Peter L. Against the gods: the remarkable story od risk. New York: John
Wiley & Sons, 1996.
CLARKE, R.C.; Krase, S.; Statman, M.;. Tracking errors, regret, and tactical asset
allocation. The Journal of Portfolio Management, 20, 1994, Spring. p.16-24.
COSTA, Oswaldo Luiz do Valle; ASSUNÇÃO, Hugo Gonçalves Vieira. Análise de Risco e
Retorno em Investimentos Financeiros. 1.ed. São Paulo: Editora Manole, 2005.
DAMODARAN, A. Investment Valuation: tools and techniques for determining the value
of any asset. New York, Editora Wiley, 1996.
ELTON, Edwin J.; GRUBER, Martin J. Modern portfolio theory and investment analysis. 5.
ed. New York: John Wiley & Sons, 1995.
FRANCIS, Jack Clark. Investment: analysis and management. 5. ed. New York: McGraw-
Hill, 1991.
JÚNIOR, Antônio Marcos Duarte. Risco: Definições, Tipos, Medição e Recomendações para
seu Gerenciamento. Disponível em: http://www.risktech.com.br/PDFs/RISCO.pdf
acesso em 06 de setembro de 2007.
MAXIMIANO, Antonio Cesar Amaru. Introdução à Administração. 6. ed. São Paulo: Editora
Atlas, 2004.
NETO, Alexandre Assaf. Mercado Financeiro. 5. ed. São Paulo: Atlas, 2003.
ODA, André Luiz. Análise da persistência de performance dos fundos de ações brasileiros
no período 1995-1998. São Paulo, 2000. Dissertação (Mestrado em Administração) – Programa
de Pós-Graduação em Administração em Administração, Faculdade de Economia,
Administração e Contabilidade da Universidade de São Paulo.
ODA, André Luiz; SENGER, Maria Carlota Morandin; CHÁRA, Alexandre Noboru. Um
estudo sobre diversificação na Bolsa de Valores de São Paulo. In: 22o Encontro da ANPAD,
1998, Foz do Iguaçu, PR, Anais do 22o Encontro da ANPAD. Rio de Janeiro: ANPAD.
PINDYCK, Robert S.; RUBINFELD, Daniel L.. Microeconomia. 6. e. São Paulo: Pearson,
2005.
ROLL, Richard. A Mean / Variance Analysis of Tracking Error. The Journal of Portfolio
Management, 18, Summer, 1992. p. 13-22.
SECURATO, José Roberto. Decisões Financeiras em Condições de Risco. 2. ed. São Paulo:
Saint Paul Editora, 2007.
105
SECURATO, José Roberto. Cálculo Financeiro das Tesourarias. 3. ed. São Paulo: Saint Paul
Editora, 2005.
SHARPE, William F. . Portfolio theory and capital markets. New York: McGraw-Hill, 1970.
STOCK, James H.; WATSON, Mark W.. Econometria. São Paulo: Pearson, 2004.
WESTON, J. Fred; BRIGHAM, Eugene F. Managerial finance. 5. ed. Illinois: Dryden Press,
2000.
106